CN109814383A - 基于神经网络辨识的舵机电液负载模拟器智能控制方法 - Google Patents

Abstract

一种基于神经网络辨识的舵机电液负载模拟器智能控制方法。其包括由神经网络辨识器和神经网络控制器组成力控制器；神经网络辨识器采用BP神经网络算法，得到舵机电液负载模拟器辨识模型；以舵机电液负载模拟器辨识模型作为控制对象，神经网络控制器确定Adaline网络在线学习准则，输出系统控制电压等步骤。本发明采用神经网络辨识器对系统数学模型进行在线辨识，有效解决了参数时变、非线性因素干扰严重及常规网络结构缺陷的问题。采用神经网络控制器对系统控制策略进行实时调整，并结合神经网络辨识器与神经网络控制器的功能，综合提高系统的控制效果与控制品质。从而有效改善舵机电液负载模拟器的工作性能。

Description

基于神经网络辨识的舵机电液负载模拟器智能控制方法

技术领域

本发明属于飞行控制系统地面仿真模拟技术领域，特别是涉及一种基于神经网络辨识的舵机电液负载模拟器智能控制方法。

背景技术

飞机围绕纵轴、横轴、立轴旋转都要由相应的舵机分别驱动副翼、升降舵和方向舵来实现倾斜、俯仰和航向控制。舵机是飞行控制系统的重要组成部分，也是飞机的执行机构，其控制性能优劣直接影响飞机的飞行品质。舵机在真实飞行过程中会受到各种空气气动载荷的影响，且载荷大小随飞行高度、速度、姿态及气流等因素的改变而发生变化。在实验室条件下，通常使用舵机电液负载模拟器模拟舵机在飞行过程中所受到的各种气动载荷的变化情况，验证舵机在不同飞行状态下的工作性能，进行静态、动态技术指标的检查和测试，从而将传统的自破坏性全实物仿真试验转化为实验室条件下的预测性研究。图1为一种地面仿真模拟时通常采用的舵机电液负载模拟器结构示意图。如图1所示，该负载模拟器包括力控制器1、加载伺服阀2、加载液压缸3、橡胶-金属缓冲弹簧4、力传感器5和位移传感器6；其中：力控制器1与加载伺服阀2、力传感器5和位移传感器6相连接；加载伺服阀2依次通过加载液压缸3、橡胶-金属缓冲弹簧4与舵机7相连接；舵机7分别与力传感器5和位移传感器6相连接。其工作原理是：力传感器5与位移传感器6分别测量实际加载力信号及舵机7位置信号，然后反馈给力控制器1，力控制器1据此计算出舵机7在该飞行状态下所受的实际力载荷值，以此作为系统指令力信号，并得到相应的输出信号即系统控制电压，由加载伺服阀2驱动加载液压缸3输出加载力，经由橡胶-金属缓冲弹簧4加载到舵机7上，舵机7根据系统指令力信号进行相应动作。虽然这种舵机电液负载模拟器在很大程度上改进了舵机7的测试方式，具有可控性、无破坏性的优点，但是对于被动式力伺服控制系统来说，由于电液负载模拟器的系统指令力信号与舵机7的运动相关，所以由舵机7的主动运动产生的外部扰动即多余力，将会严重影响伺服系统的加载精度及控制品质。因此采用适合于该系统的智能控制方法是解决舵机电液负载模拟器存在多余力干扰问题的关键。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于神经网络辨识的舵机电液负载模拟器智能控制方法，从而实现舵机在实际工作过程中所受力载荷的真实模拟能力，满足电液负载模拟器对稳定特性、加载精度、响应速度、跟踪能力等技术指标的要求。

为了达到上述目的，本发明提供的基于神经网络辨识的舵机电液负载模拟器智能控制方法中的舵机电液负载模拟器包括力控制器、加载伺服阀、加载液压缸、橡胶-金属缓冲弹簧、力传感器和位移传感器；其中：力控制器与加载伺服阀、力传感器和位移传感器相连接；加载伺服阀依次通过加载液压缸、橡胶-金属缓冲弹簧与舵机相连接；舵机分别与力传感器和位移传感器相连接；所述的基于神经网络辨识的舵机电液负载模拟器智能控制方法包括按顺序进行的下列步骤：

1)由神经网络辨识器和神经网络控制器组成力控制器；

2)神经网络辨识器采用BP神经网络算法，根据力传感器和位移传感器输出的实际加载力信号F(n)进行在线辨识，从而得到舵机电液负载模拟器辨识模型；

3)以上述舵机电液负载模拟器辨识模型作为控制对象，神经网络控制器根据Adaline网络监督系统结构参数及多余力干扰的变化情况，将系统指令力与舵机电液负载模拟器辨识模型输出力之间的偏差作为误差信号，确定Adaline网络在线学习准则，神经网络控制器的输出即为系统控制电压。

在步骤2)中，所述的神经网络辨识器采用BP神经网络算法，根据力传感器和位移传感器输出的实际加载力信号F(n)进行在线辨识，从而得到舵机电液负载模拟器辨识模型的具体工作过程如下：

首先，对舵机电液负载模拟器数学模型进行离散化处理而得到离散化模型，从而获取网络输入输出神经元；该离散化模型为：

F(n+1)＝f[F(n),F(n-1),F(n-2),u_i(n),u_i(n-1),u_i(n-2),x_y(n),x_y(n-1),x_y(n-2)] (1)

式中，F(n)为第n次迭代实际加载力；u_i(n)为系统控制电压；x_y(n)为舵机的位移；

然后，确定BP神经网络的输入层、隐含层、输出层神经元数目为4-7-1；选取u_i(n)、u_i(n-1)、F(n)及F(n-1)作为输入神经元，选取F(n)作为输出神经元；

其次，设计BP神经网络的权值及阈值初值为[-0.5，0.5]的随机数，在第m组学习样本训练过程中，计算BP神经网络隐含层输入函数net_jm，再以S函数为激活函数，得到隐含层神经元输出函数为：

式中，ω_ij为输入层与隐含层之间的连接权值；x_im为BP神经网络输入信号；θ_j为隐含层神经元阈值；

同理可得BP神经网络输出层神经元输出函数为：

式中，net_m为BP神经网络输出层神经元的输入函数；ω_j为隐含层与输出层之间的连接权值；θ为输出层神经元阈值；

定义期望输出函数为Y_m，则目标函数为BP神经网络全局误差函数：

式中，M为学习样本总数；

最后，确定BP神经网络的权值修正准则；采用最速下降法，引入学习步长η反向计算BP神经网络的权值，即：

在常规权值调整的基础上，引入动量因子α，则优化后BP神经网络输出层的权值修正公式为：

ω_j(n+1)＝ω_j(n)+Δω_j+α[ω_j(n)-ω_j(n-1)] (6)

同理可得BP神经网络隐含层的权值修正公式为：

ω_ij(n+1)＝ω_ij(n)+Δω_ij+α_j[ω_ij(n)-ω_ij(n-1)] (7)

设定BP神经网络学习样本总数M＝10，每组样本训练次数R＝300，动量因子α＝0.4，学习步长η＝0.7，容许误差ε＞0，按照上述神经网络辨识器的工作流程对BP神经网络进行训练，得到舵机电液负载模拟器辨识模型。

在步骤3)中，所述的以上述舵机电液负载模拟器辨识模型作为控制对象，神经网络控制器根据Adaline网络监督系统结构参数及多余力干扰的变化情况，将系统指令力与舵机电液负载模拟器辨识模型输出力之间的偏差作为误差信号，确定Adaline网络在线学习准则，神经网络控制器的输出即为系统控制电压的具体工作流程如下：

给定学习样本，计算神经网络控制器的输出；设第m组样本在第n次迭代过程中，神经网络控制器的输出为u_im(n)，则：

式中，T为神经元突触个数；W(n)为Adaline网络的权值；d(n)为系统指令力；

采用梯度下降法实现Adaline网络的权值调整，选择系统指令力与舵机电液负载模拟器辨识模型输出力之间的偏差作为误差信号，则误差能量函数为：

式中，e_m(n)为第m组样本在第n次迭代过程中的误差信号；

确定Adaline网络的权值调整公式为：

W_t(n+1)＝W_t(n)+ΔW_t(n) (10)

由此可得

W_t(n+1)＝ηe_m(n)w_ij(n)w_j(n)f′(net_m(n))·f′(net_jm(n))[d_mt(n)-F_mt(n)]+W_t(n) (13)。

本发明提供的舵机电液负载模拟器智能控制方法采用神经网络辨识器对系统数学模型进行在线辨识，有效解决了参数时变、非线性因素干扰严重及常规网络结构缺陷的问题。采用神经网络控制器对系统控制策略进行实时调整，并结合神经网络辨识器与神经网络控制器的功能，综合提高系统的控制效果与控制品质。从而有效改善舵机电液负载模拟器的工作性能，明显提高系统对多余力等非线性因素的抗干扰能力，适用于实验室条件下飞行控制系统地面仿真模拟实验。

附图说明

图1为一种地面仿真模拟时通常采用的舵机电液负载模拟器结构示意图。

图2为本发明提供的基于神经网络辨识的舵机电液负载模拟器智能控制方法中所采用的力控制器结构示意图。

图3为本发明中神经网络辨识器训练结果。

图4为采用本发明方法的力控制器和常规PID控制器仿真对比实验曲线，其中图4(a)是不同控制器对多余力的抑制效果对比实验曲线；图4(b)是不同控制器的响应速度及鲁棒性对比实验曲线。

具体实施方式

下面结合附图和具体实施例对本发明提供的基于神经网络辨识的舵机电液负载模拟器智能控制方法进行详细说明。

如图2所示，本发明提供的基于神经网络辨识的舵机电液负载模拟器智能控制方法包括按顺序进行的下列步骤：

1)由神经网络辨识器1.1和神经网络控制器1.2组成力控制器1；

2)神经网络辨识器1.1采用BP神经网络算法，根据力传感器5和位移传感器6输出的实际加载力信号F(n)进行在线辨识，从而得到舵机电液负载模拟器辨识模型；

具体工作流程如下：

首先，对舵机电液负载模拟器数学模型进行离散化处理而得到离散化模型，从而获取网络输入输出神经元。该离散化模型为：

F(n+1)＝f[F(n),F(n-1),F(n-2),u_i(n),u_i(n-1),u_i(n-2),x_y(n),x_y(n-1),x_y(n-2)] (1)

式中，F(n)为第n次迭代实际加载力；u_i(n)为系统控制电压；x_y(n)为舵机7的位移。

然后，确定BP神经网络的输入层、隐含层、输出层神经元数目为4-7-1。由于舵机电液负载模拟器辨识模型的输出力信号与实际加载力及系统控制电压有关，为了确保神经网络辨识器1.1在线调整结构参数的准确性，故选取u_i(n)、u_i(n-1)、F(n)及F(n-1)作为输入神经元，选取F(n)作为输出神经元。

其次，设计BP神经网络的权值及阈值初值为[-0.5，0.5]的随机数，在第m组学习样本训练过程中，计算BP神经网络隐含层输入函数net_jm，再以S函数为激活函数，得到隐含层神经元输出函数为：

式中，ω_ij为输入层与隐含层之间的连接权值；x_im为BP神经网络输入信号；θ_j为隐含层神经元阈值。

同理可得BP神经网络输出层神经元输出函数为：

式中，net_m为BP神经网络输出层神经元的输入函数；ω_j为隐含层与输出层之间的连接权值；θ为输出层神经元阈值。

定义期望输出函数为Y_m，则目标函数为BP神经网络全局误差函数：

式中，M为学习样本总数。

最后，确定BP神经网络的权值修正准则。采用最速下降法，引入学习步长η反向计算BP神经网络的权值，即：

为了提高网络收敛速度及稳定性，本发明在常规权值调整的基础上，引入动量因子α，则优化后BP神经网络输出层的权值修正公式为：

ω_j(n+1)＝ω_j(n)+Δω_j+α[ω_j(n)-ω_j(n-1)] (6)

同理可得BP神经网络隐含层的权值修正公式为：

ω_ij(n+1)＝ω_ij(n)+Δω_ij+α_j[ω_ij(n)-ω_ij(n-1)] (7)

如图3所示，设定BP神经网络学习样本总数M＝10，每组样本训练次数R＝300，动量因子α＝0.4，学习步长η＝0.7，容许误差ε＞0，按照上述神经网络辨识器1.1的工作流程对BP神经网络进行训练，得到舵机电液负载模拟器辨识模型。

3)以上述舵机电液负载模拟器辨识模型作为控制对象，神经网络控制器1.2根据Adaline网络监督系统结构参数及多余力干扰的变化情况，将系统指令力与舵机电液负载模拟器辨识模型输出力之间的偏差作为误差信号，确定Adaline网络在线学习准则，神经网络控制器1.2的输出即为系统控制电压；

具体工作流程如下：

给定学习样本，计算神经网络控制器1.2的输出。设第m组样本在第n次迭代过程中，神经网络控制器1.2的输出为u_im(n)，则：

式中，T为神经元突触个数；W(n)为Adaline网络的权值；d(n)为系统指令力。

采用梯度下降法实现Adaline网络的权值调整，选择系统指令力与舵机电液负载模拟器辨识模型输出力之间的偏差作为误差信号，则误差能量函数为：

式中，e_m(n)为第m组样本在第n次迭代过程中的误差信号。

确定Adaline网络的权值调整公式为：

W_t(n+1)＝W_t(n)+ΔW_t(n) (10)

由此可得

W_t(n+1)＝ηe_m(n)w_ij(n)w_j(n)f′(net_m(n))·f′(net_jm(n))[d_mt(n)-F_mt(n)]+W_t(n) (13)

现将采用本发明控制方法的力控制器1的工作流程阐述如下：神经网络控制器1.2利用神经网络辨识器1.1提供的舵机电液负载模拟器辨识模型，通过上述在线学习准则，修正系统结构参数，输出系统控制电压u_i给加载伺服阀2驱动加载液压缸3输出加载力，经由橡胶-金属缓冲弹簧4加载到舵机7上并进行相应动作。神经网络辨识器1.1对舵机电液负载模拟器进行在线辨识，得到舵机电液负载模拟器辨识模型并配合神经网络控制器1.2完成舵机7的智能控制。

图4为采用本发明方法的力控制器1和常规PID控制器控制下仿真对比实验曲线。图4(a)是不同控制器对多余力抑制效果的对比实验曲线，其中曲线1和曲线2代表两种控制器控制下的多余力；图4(b)是不同控制器的响应速度及鲁棒性对比实验曲线，其中曲线1为指令力，曲线2为常规PID控制器的阶跃响应曲线，曲线3为单独采用神经网络控制器1.2的阶跃响应曲线，曲线4为采用力控制器1的阶跃响应曲线。实验结果表明，采用本发明方法的力控制器1所得到的舵机电液负载模拟器辨识模型更为接近舵机电液负载模拟器的工作性能，可明显提高系统对多余力等非线性因素的抗干扰能力，适用于实验室条件下飞行控制系统地面仿真模拟实验。

Claims (3)

1.一种基于神经网络辨识的舵机电液负载模拟器智能控制方法，所述的舵机电液负载模拟器包括力控制器(1)、加载伺服阀(2)、加载液压缸(3)、橡胶-金属缓冲弹簧(4)、力传感器(5)和位移传感器(6)；其中：力控制器(1)与加载伺服阀(2)、力传感器(5)和位移传感器(6)相连接；加载伺服阀(2)依次通过加载液压缸(3)、橡胶-金属缓冲弹簧(4)与舵机(7)相连接；舵机(7)分别与力传感器(5)和位移传感器(6)相连接；其特征在于：所述的控制方法包括按顺序进行的下列步骤：

1)由神经网络辨识器(1.1)和神经网络控制器(1.2)组成力控制器(1)；

2)神经网络辨识器(1.1)采用BP神经网络算法，根据力传感器(5)和位移传感器(6)输出的实际加载力信号F(n)进行在线辨识，从而得到舵机电液负载模拟器辨识模型；

3)以上述舵机电液负载模拟器辨识模型作为控制对象，神经网络控制器(1.2)根据Adaline网络监督系统结构参数及多余力干扰的变化情况，将系统指令力与舵机电液负载模拟器辨识模型输出力之间的偏差作为误差信号，确定Adaline网络在线学习准则，神经网络控制器(1.2)的输出即为系统控制电压。

2.根据权利要求1所述的基于神经网络辨识的舵机电液负载模拟器智能控制方法，其特征在于：在步骤2)中，所述的神经网络辨识器(1.1)采用BP神经网络算法，根据力传感器(5)和位移传感器(6)输出的实际加载力信号F(n)进行在线辨识，从而得到舵机电液负载模拟器辨识模型的具体工作过程如下：

首先，对舵机电液负载模拟器数学模型进行离散化处理而得到离散化模型，从而获取网络输入输出神经元；该离散化模型为：

F(n+1)＝f[F(n),F(n-1),F(n-2),u_i(n),u_i(n-1),u_i(n-2),x_y(n),x_y(n-1),x_y(n-2)] (1)

式中，F(n)为第n次迭代实际加载力；u_i(n)为系统控制电压；x_y(n)为舵机(7)的位移；

然后，确定BP神经网络的输入层、隐含层、输出层神经元数目为4-7-1；选取u_i(n)、u_i(n-1)、F(n)及F(n-1)作为输入神经元，选取F(n)作为输出神经元；

其次，设计BP神经网络的权值及阈值初值为[-0.5，0.5]的随机数，在第m组学习样本训练过程中，计算BP神经网络隐含层输入函数net_jm，再以S函数为激活函数，得到隐含层神经元输出函数为：

式中，ω_ij为输入层与隐含层之间的连接权值；x_im为BP神经网络输入信号；θ_j为隐含层神经元阈值；

同理可得BP神经网络输出层神经元输出函数为：

式中，net_m为BP神经网络输出层神经元的输入函数；ω_j为隐含层与输出层之间的连接权值；θ为输出层神经元阈值；

定义期望输出函数为Y_m，则目标函数为BP神经网络全局误差函数：

式中，M为学习样本总数；

最后，确定BP神经网络的权值修正准则；采用最速下降法，引入学习步长η反向计算BP神经网络的权值，即：

在常规权值调整的基础上，引入动量因子α，则优化后BP神经网络输出层的权值修正公式为：

ω_j(n+1)＝ω_j(n)+Δω_j+α[ω_j(n)-ω_j(n-1)] (6)

同理可得BP神经网络隐含层的权值修正公式为：

ω_ij(n+1)＝ω_ij(n)+Δω_ij+α_j[ω_ij(n)-ω_ij(n-1)] (7)

设定BP神经网络学习样本总数M＝10，每组样本训练次数R＝300，动量因子α＝0.4，学习步长η＝0.7，容许误差ε＞0，按照上述神经网络辨识器1.1的工作流程对BP神经网络进行训练，得到舵机电液负载模拟器辨识模型。

3.根据权利要求1所述的基于神经网络辨识的舵机电液负载模拟器智能控制方法，其特征在于：在步骤3)中，所述的以上述舵机电液负载模拟器辨识模型作为控制对象，神经网络控制器(1.2)根据Adaline网络监督系统结构参数及多余力干扰的变化情况，将系统指令力与舵机电液负载模拟器辨识模型输出力之间的偏差作为误差信号，确定Adaline网络在线学习准则，神经网络控制器(1.2)的输出即为系统控制电压的具体工作流程如下：

给定学习样本，计算神经网络控制器(1.2)的输出；设第m组样本在第n次迭代过程中，神经网络控制器(1.2)的输出为u_im(n)，则：

式中，T为神经元突触个数；W(n)为Adaline网络的权值；d(n)为系统指令力；

采用梯度下降法实现Adaline网络的权值调整，选择系统指令力与舵机电液负载模拟器辨识模型输出力之间的偏差作为误差信号，则误差能量函数为：

式中，e_m(n)为第m组样本在第n次迭代过程中的误差信号；

确定Adaline网络的权值调整公式为：

W_t(n+1)＝W_t(n)+ΔW_t(n) (10)

由此可得

W_t(n+1)＝ηe_m(n)w_ij(n)w_j(n)f′(net_m(n))·f′(net_jm(n))[d_mt(n)-F_mt(n)]+W_t(n) (13)。